ChatSVA: Bridging SVA Generation for Hardware Verification via Task-Specific LLMs
作者: Lik Tung Fu, Jie Zhou, Shaokai Ren, Mengli Zhang, Jia Xiong, Hugo Jiang, Nan Guan, Xi Wang, Jun Yang
分类: cs.AR, cs.AI
发布日期: 2026-04-06
💡 一句话要点
ChatSVA：通过任务特定LLM桥接SVA生成，用于硬件验证
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 硬件验证 SystemVerilog Assertion 大型语言模型 多智能体系统 自动化代码生成
📋 核心要点
- 手动编写SystemVerilog Assertions (SVAs) 耗时且易错，阻碍了硬件功能验证的效率。
- ChatSVA 采用多智能体框架和 AgentBridge 平台，生成高纯度数据集，提升LLM在SVA生成中的准确性。
- 实验表明，ChatSVA 在 SVA 生成的语法正确率、功能正确率和覆盖率上均显著优于现有技术。
📝 摘要（中文）
功能验证占据了IC开发生命周期超过50%的时间，其中SystemVerilog Assertions (SVAs) 对于形式化属性验证和增强的基于仿真的调试至关重要。然而，手动编写SVA既费力又容易出错。虽然大型语言模型（LLMs）显示出潜力，但由于功能准确性低和领域特定数据严重稀缺，它们的直接部署受到阻碍。为了应对这些挑战，我们引入了ChatSVA，这是一个建立在多智能体框架之上的端到端SVA生成系统。其核心是AgentBridge平台，它通过系统地生成高纯度数据集来实现这种多智能体方法，克服了少样本场景中固有的数据稀缺性。在24个RTL设计上的评估表明，ChatSVA实现了98.66%的语法通过率和96.12%的功能通过率，每个设计生成139.5个SVA，功能覆盖率达到82.50%。与之前的最先进技术（SOTA）相比，这代表了功能正确性方面33.3个百分点的提升，以及功能覆盖率方面超过11倍的增强。ChatSVA不仅在自动SVA生成方面树立了新的SOTA，而且还为解决少样本、领域特定场景中的长链推理问题建立了一个强大的框架。一个在线服务已在此https URL上公开发布。
🔬 方法详解
问题定义：论文旨在解决硬件验证中SystemVerilog Assertions (SVAs) 手动编写的低效和易错问题。现有方法，包括直接使用大型语言模型（LLMs），面临领域数据稀缺和功能准确性不足的挑战。
核心思路：论文的核心思路是利用多智能体框架，通过AgentBridge平台生成高质量的领域特定数据集，从而提升LLM在SVA生成任务中的性能。这种方法旨在克服数据稀缺性，并提高生成SVA的功能正确性。
技术框架：ChatSVA 采用端到端的多智能体框架。AgentBridge平台负责生成高纯度数据集，用于训练和微调LLM。该框架包含多个智能体，协同完成SVA生成任务，例如需求理解、代码生成和验证。整体流程包括数据生成、模型训练、SVA生成和验证等阶段。
关键创新：关键创新在于AgentBridge平台，它能够系统地生成高质量的SVA数据集，解决了领域数据稀缺的问题。此外，多智能体框架的设计允许模型进行更复杂的推理和代码生成，从而提高SVA的功能正确性。
关键设计：AgentBridge平台的数据生成策略是关键设计之一，具体的数据生成方法和规则未知。多智能体之间的协作机制和LLM的微调策略也至关重要，但具体细节未知。
🖼️ 关键图片
📊 实验亮点
ChatSVA 在 24 个 RTL 设计上进行了评估，实现了 98.66% 的语法通过率和 96.12% 的功能通过率，每个设计生成 139.5 个 SVA，功能覆盖率达到 82.50%。与之前的 SOTA 相比，功能正确性提升了 33.3 个百分点，功能覆盖率提升了超过 11 倍。
🎯 应用场景
ChatSVA 可应用于集成电路（IC）设计的功能验证流程，加速SVA的生成，降低验证成本，并提高硬件设计的可靠性。该研究成果有望推动硬件验证领域的自动化水平，并为其他领域特定任务的LLM应用提供借鉴。
📄 摘要（原文）
Functional verification consumes over 50% of the IC development lifecycle, where SystemVerilog Assertions (SVAs) are indispensable for formal property verification and enhanced simulation-based debugging. However, manual SVA authoring is labor-intensive and error-prone. While Large Language Models (LLMs) show promise, their direct deployment is hindered by low functional accuracy and a severe scarcity of domain-specific data. To address these challenges, we introduce ChatSVA, an end-to-end SVA generation system built upon a multi-agent framework. At its core, the AgentBridge platform enables this multi-agent approach by systematically generating high-purity datasets, overcoming the data scarcity inherent to few-shot scenarios. Evaluated on 24 RTL designs, ChatSVA achieves 98.66% syntax and 96.12% functional pass rates, generating 139.5 SVAs per design with 82.50% function coverage. This represents a 33.3 percentage point improvement in functional correctness and an over 11x enhancement in function coverage compared to the previous state-of-the-art (SOTA). ChatSVA not only sets a new SOTA in automated SVA generation but also establishes a robust framework for solving long-chain reasoning problems in few-shot, domain-specific scenarios. An online service has been publicly released atthis https URL.